1. Einführung: Kausale Aussagen und Prognosemodelle

Der Philosoph David Hume (1711–1776) gehört zu den englischen Empiristen des 17. Jh. Das Problem kausaler Zusammenhänge ist vorher in der Regel (auch) mit theologischen Argumenten beantwortet worden. Im Mittelalter wurde bspw. die Walnuss als Mittel gegen Kopfschmerz verwendet, weil die göttliche Schöpfung ihr ein Form gegeben hat, die dem menschlichen Gehirn ähnelt (Signaturenlehre).

Die Fundstelle ist in der Bibel im Alten Testament das Buch Daniel. Daniel soll von der feinen Speise des Königs ernährt werden, um gesund zu bleiben. Er will dies aber aus religiösen Gründen nicht und schlägt folgendes Experiment vor: „Versuche es doch zehn Tage lang …, dass man uns Gemüse zu essen und Wasser zu trinken gibt. Danach soll man vor dir unser Aussehen und das Aussehen der anderen jungen Männer anschauen, die von der feinen Speise des Königs essen; nach dem, was du dann sehen wirst, handle weiter.“ (Daniel Kapitel 1 Satz 12–13).

Dies erscheint selbstverständlich, aber insbesondere die neue politische Ökonomie hat gezeigt, dass in der praktischen Politik nicht sichergestellt ist, dass die politisch gewählten Maßnahmen geeignet sind, ein angeblich verfolgtes Ziel zu erreichen, und noch weniger berücksichtigt wird, welche Nebenwirkungen ggf. damit verbunden sind.

Für den kontrafaktischen Ansatz werden verschiedene Begriffe verwendet: Rubin-, Roy-Rubin-, Neyman-Rubin- und Neyman-Holland-Rubin-Modell, nach den verschiedenen Autoren, die diese Idee entdeckt, weiterentwickelt, präzisiert und popularisiert haben.

Alle diese Probleme führen zu einer Korrelation der exogenen Variablen mit dem Fehlerterm. Dies firmiert in der ökonometrischen Literatur als Endogenität dieser Variablen, die eigentlich exogen sein müssten. Vereinfacht ausgedrückt existiert ein Zusammenhang zwischen den exogenen Variablen (insbesondere den Hypothesenvariablen, hier dem Treatment) und dem Fehlerterm. Letzterer ist dann natürlich kein reines Zufallsergebnis (weißes Rauschen), da wir ihn ja mit den exogenen Variablen „vorhersagen“ könnten. Dies verletzt die Annahme der einfachen linearen Regression, nach der die Fehler (bzw. Residuen) ein reines Zufallsresultat sind (Stoetzer 2017, Kap. 1 und 4). Das Problem des Omitted Variable Bias taucht auch unter der Bezeichnung Simpson’s Paradox in der Literatur auf. Eine weitere inhaltliche Schwierigkeit firmiert als ökologischer Fehlschluss (Ecological Fallacy). Sie tritt auf, da bei Zusammenhängen (Korrelationen) zwischen aggregierten Daten nicht ohne weiteres geschlossen werden kann, dass diese Beziehung auch auf der Ebene der Individualdaten existiert. Bspw. können demografische Merkmale der Bevölkerung auf Wahlkreisebene mit den aggregierten Wahlergebnissen in den Wahlbezirken korrelieren. Daraus kann aber nicht (ohne weiteres) abgeleitet werden, dass dies auch für das individuelle Wahlverhalten gilt.

Die Bedingungen, unter denen ein Treatment unabhängig von seinen potenziellen Resultaten und damit auch von anderen Einflussfaktoren ist, werden in der Literatur unterschiedlich abgegrenzt und bezeichnet. Sie nennen sich Conditional Independence (bzw. Conditional Mean Independence), Unconfoundedness, Selection-on-Observables, Strong Ignorability (genauer dazu Drukker 2016).

Eine Studie besitzt interne Validität, wenn die getesteten kausalen Einflüsse auch in der Grundgesamtheit (Population) vorliegen. Externe Validität ist gegeben, wenn die Ergebnisse auch auf andere Grundgesamtheiten mit differierenden Rahmenbedingungen übertragbar sind.

In Teilen der Literatur wird darüber hinaus zwischen einer ganzen Reihe von Effekten differenziert. Die Unterschiede ergeben sich in erster Linie aufgrund der Frage, für welche Beobachtungsträger (bspw. Individuen) ein Treatment intendiert ist, im Gegensatz zu den Individuen, die tatsächlich dem Treatment ausgesetzt waren, und schließlich den Personen, die für ein Treatment in Frage kämen (d. h. die Grundgesamtheit). Winship und Morgan (1999, S. 664–668) und Guo und Fraser (2015, S. 48–52) erläutern die verschiedenen Ansätze. Die Verwendung der Begriffe bei verschiedenen Autoren ist nicht immer einheitlich.

Weitere Beispiele sind: Welche Auswirkungen hat eine gesetzliche Krankenversicherungspflicht auf die Gesundheit der Bevölkerung? Führen kleinere Schulklassen in der Grundschule zu bessern Lernerfolgen? Diese und eine ganze Reihe von weiteren praktischen Anwendungsbeispielen erläutern Angrist und Pischke (2009, 2015) im Kontext der Verfahren der Übersicht <1.3. Zu Grenzen und Problemen von Experimenten siehe auch Stock und Watson (2015, Kap. 13).